Exact Differentiable Inference for Fractional Stochastic Volatility: ADavies–Harte-Reparameterized Hamiltonian Monte Carlo Posterior of the Hurst Index, with Application to the VN30 Frontier Index

Sintesi Tecnica: Inferenza Differenziabile Esatta per la Volatilità Stocastica Frazionaria

Definizione del Problema
Il documento affronta le sfide computazionali e inferenziali associate alla stima dell'indice di Hurst ($H$) nei modelli di volatilità stocastica frazionaria. In questi modelli, la log-volatilità è guidata da un moto browniano frazionario (fBm), dove $H < 1/2$ implica una volatilità "rough" (ruvida) e $H > 1/2$ implica una volatilità a memoria lunga. Sebbene l'inferenza bayesiana a posteriore completo sia desiderabile, essa è tradizionalmente limitata dalla natura non markoviana dell'fBm, che richiede l'inversione di una matrice di covarianza densa $N \times N$. Questa operazione comporta un costo computazionale di $O(N^3)$, costringendo i professionisti a fare affidamento su approssimazioni spettrali polarizzate (come la pseudo-verosimiglianza di Whittle) o su stimatori puntuali frequentisti. Tali approssimazioni possono introdurre un bias significativo, in particolare nel distinguere tra regimi di rugosità e di memoria lunga.

Metodologia
Gli autori propongono un framework che rende l'esatta verosimiglianza dell'indice di Hurst sia differenziabile che computazionalmente efficiente ($O(N \log N)$). La metodologia consiste in tre componenti primarie:

1. Specificazione del Modello: Lo studio utilizza un SDE di volatilità stocastica in cui la log-volatilità segue un processo di Ornstein-Uhlenbeck frazionario guidato da fBm. Per gestire i dati dei mercati di frontiera (specificamente l'indice VN30), il modello di osservazione incorpora una distribuzione di miscela dipendente dalla liquidità. Ciò tiene conto degli artefatti da "prezzo stagnante" (rendimenti nulli dovuti alla mancata negoziazione) modellandoli come una massa di probabilità in zero, distinta dai rendimenti gaussiani diffusivi genuini.
2. Posteriore Marginale Esatta (Scalare $H$): Per l'indice di Hurst scalare, gli autori derivano una verosimiglianza marginale esatta integrando analiticamente il parametro di volatilità-della-volatilità ($\sigma$) sotto un prior di Jeffreys. Ciò risulta in un posteriore privo di campionamento per $H$, calcolato tramite quadratura deterministica, eliminando l'errore Monte Carlo.
3. Generatore di Davies–Harte Differenziabile (Posteriore Completo): Per consentire l'inferenza del posteriore completo sul vettore di parametri $(\mu, \kappa, \sigma, H)$ e sul percorso latente, gli autori integrano il metodo di embedding circolare di Davies–Harte all'interno di un campionatore Hamiltonian Monte Carlo (HMC) con differenziazione automatica (specificamente l'algoritmo No-U-Turn Sampler).
   • Il percorso dell'fBm è riparametrizzato come una funzione deterministica, differenziabile tramite FFT, delle coordinate bianche e di $H$.
   • Ciò permette ai gradienti della log-verosimiglianza posteriore di fluire attraverso la Trasformata Rapida di Fourier (FFT), consentendo un campionamento consapevole della geometria senza mai formare o invertire la matrice di covarianza densa.
   • Il costo computazionale per passo è ridotto da $O(N^3)$ a $O(N \log N)$.

Contributi Chiave

• Inferenza Differenziabile Esatta: Il documento introduce il primo schema che raggiunge l'inferenza bayesiana a posteriore completo per la volatilità stocastica frazionaria a un costo quasi lineare ($O(N \log N)$ mantenendo l'esattezza, evitando i bias inerenti alle approssimazioni spettrali.
• Marginalizzazione Analitica: Fornisce un posteriore esatto e privo di campionamento per l'indice di Hurst scalare, integrando analiticamente il parametro di scala, permettendo una misurazione precisa del gap inferenziale tra metodi esatti e approssimativi.
• Implementazione Doppiamente Verificata: La metodologia è implementata in Python e verificata indipendentemente in R. I due percorsi concordano entro $4.9 \times 10^{-11}$, garantendo la riproducibilità di tutti i risultati numerici riportati.
• Validazione Teorica: Il documento include un teorema di ben-posto che dimostra l'esistenza e l'unicità di soluzioni forti per il modello sotto specifiche condizioni per $H$ (interpretando l'integrale in senso Young per $H > 1/2$ e in senso di percorso ruvido per $H \in (1/4, 1/2)$).

Risultati
La metodologia è stata applicata all'indice di frontiera VN30 utilizzando $N=3585$ rendimenti giornalieri dal 2012 al 2026.

• Stima dell'Indice di Hurst: Il posteriore esatto colloca l'indice di Hurst con una media di 0,5828 e un intervallo di credibilità al 95% di [0,5614, 0,6052]. L'intero intervallo si trova strettamente sopra lo 0,5, indicando una volatilità a memoria lunga piuttosto che rugosa.
• Confronto con l'Approssimazione di Whittle: Lo stimatore spettrale standard di Whittle ha prodotto una stima MAP di $H=0,56$, spostando l'inferenza verso il regime di rugosità. Le calibrazioni di simulazione hanno confermato che lo stimatore di Whittle è polarizzato verso la rugosità e soffre di una grave sottocopertura (copertura del 12,5% al valore vero di $H=0,70$), mentre il posteriore esatto rimane vicino all'invarianza con copertura nominale.
• Confronto tra Modelli: Il posteriore esatto favorisce l'ipotesi di memoria lunga ($H > 1/2$) rispetto all'ipotesi di rugosità ($H < 1/2$) con un fattore di Bayes di $1,5 \times 10^{20}$, smentendo efficacementmente il regime di rugosità per questo dataset.
• Performance di Previsione: La previsione fuori campione su un periodo di holdout di 252 giorni ha mostrato che un previsore consapevole dell'orizzonte (modello Autoregressivo Eterogeneo) ha ridotto l'errore di random-walk di un giorno del 18,7%. Un modello GARCH(1,1) ottimizzato ha ottenuto un'ulteriore riduzione del 2,5%, con la sua persistenza quasi-integrata ($\alpha + \beta = 0,96$) che funge da approssimazione a memoria breve delle dinamiche a memoria lunga identificate dal posteriore di Hurst.
• Efficienza Computazionale: I test di velocità hanno confermato le affermazioni sulla complessità teorica. A $N=3585$, il generatore Davies–Harte FFT è stato circa 1.100 volte più veloce della fattorizzazione di Cholesky densa, con un esponente di scala empirico di 0,89 (quasi lineare) rispetto a 2,64 (quasi cubico) per il metodo denso.

Significato e Rivendicazioni
Il documento sostiene che la "rugosità" osservata nella volatilità azionaria possa essere un artefatto di stima o una caratteristica specifica di un regime, poiché l'inferenza esatta per l'indice di frontiera VN30 supporta decisamente un regime di memoria lunga. La significatività del lavoro risiede nel:

1. Rimozione del Bias: Fornire un'alternativa priva di bias all'estesa approssimazione di Whittle, che gli autori dimostrano poter cambiare qualitativamente la classificazione del regime (da memoria lunga a rugoso).
2. Scalabilità: Rendere l'inferenza bayesiana esatta per modelli di volatilità non markoviani computazionalmente fattibile per grandi dataset, un compito precedentemente limitato ai metodi approssimativi.
3. Smentita Empirica: Offrire una rigorosa smentita basata sui dati dell'ipotesi di volatilità rugosa per l'indice VN30, supportata da un fattore di Bayes che esclude efficacementmente il regime di rugosità piuttosto che limitarsi a non favorirlo.
4. Riproducibilità: Stabilire un alto standard di riproducibilità attraverso l'implementazione a doppio tracciato e la precisa verifica numerica.

Gli autori concludono che, sebbene il regime di rugosità possa essere una caratteristica valida per alcuni mercati sviluppati, lo schema di inferenza differenziabile esatta è necessario per distinguere le genuine dinamiche di memoria lunga dagli artefatti di stima, particolarmente nei mercati di frontiera dove le restrizioni di liquidità e le caratteristiche dei dati differiscono.